デプロイ¶
モデルを信頼してミッションクリティカルな操作を強化するには、モデルデプロイのすべての側面が信頼できるものである必要があります。多くのモデルは、本番環境に到達しないため、価値を生み出すことはありません。結局、データサイエンティストはモデルのデプロイと保守を支援する必要がありますが、これにはコストがかかり、新しいデータサイエンスを行う意味がありません。
MLOpsの目標は、モデルのデプロイを容易にすることです。データサイエンティストとは異なり、運用チームは、PythonやRなどのさまざまな最新のプログラミング言語で記述されたモデルをクラウドまたはオンプレミスの最新ランタイム環境にデプロイできます。
正常なモデルデプロイを行うには、デプロイを作成し、そのデプロイを監視および管理する必要があります。DataRobot MLOpsを使用すると、デプロイするアーティファクトに応じてさまざまな方法でデプロイを作成できます。
| 開始アーティファクト | デプロイ方法 |
|---|---|
| DataRobotモデル | リーダーボードからDataRobotモデルを選択し、予測 > デプロイタブに移動して、DataRobotモデルをデプロイします。または、デプロイの追加リンクを使用して、モデルをデプロイインベントリに直接アップロードします。 |
| カスタムモデル | カスタムモデルワークショップからカスタムモデルをデプロイします。または、デプロイの追加リンクを使用して、モデルをデプロイインベントリに直接アップロードします。 |
| リモートモデル | 外部モデルのトレーニングデータをデプロイインベントリに直接アップロードして、デプロイを作成します。または、外部モデルパッケージをデプロイします。デプロイメントが作成されると、モデルを監視するためのMLOpsエージェントの実装や予測統計の追跡が可能となります。デプロイの作成後に、履歴予測データをアップロードすることもできます。 |
| 過去の予測データ | 過去に予測を行ったモデルのトレーニングデータをデプロイインベントリに直接アップロードして、外部デプロイを作成します。デプロイ後の履歴予測データを追加します。 |
| Algorithmia | Algorithmiaプラットフォームを使用して、モデルをデータソースに接続し、本番環境にすぐにデプロイできます。詳細については、Algorithmia開発センターを参照してください。 |
データの概要¶
各デプロイのツールおよび機能は、利用できるデータによって異なります。デプロイで使用できるデータ型を以下に示します。
| データ型 | 説明 |
|---|---|
| トレーニングデータ | モデルのトレーニングと構築に使用されるデータ。 |
| 予測データ | 予測リクエストおよびモデルからの結果を含むデータ。推論データとも呼ばれます。 |
| 出力データ | モデルの予測結果（または予測データ）と比較する実測値を含むデータ。実測値とも呼ばれます。 |
更新しました February 22, 2022
このページは役に立ちましたか？
ありがとうございます。どのような点が役に立ちましたか？
より良いコンテンツを提供するには、どうすればよいでしょうか？
アンケートにご協力いただき、ありがとうございました。